迟滞混沌神经网络及其对风速序列短期预测的研究

A novel neural network which has two kinds of nonlinear characteristics, hysteresis and chaos, will be constructed by hysteretic chaotic operator units. Its dynamic characteristic will be investigated, and its application potential on information processing will be exploited by utilizing its nonlinear characteristics. Subsequently, we will use the network to resolve short-term wind speed forecasting. Based on the complexity of predicted system, a novel dynamic prediction method, which is different from the static modeling prediction method, will be proposed. In other words, the dynamic characteristic of the network can be changed by adjusting the characteristic parameters of operator units to approach and consist with that of the predicted system. Hysteretic characteristic can help the network to strengthen the information exploitability, increase the memory ability, improve the capacity of generalization, and enhance forecasting accuracy. On the one hand, the project can increase the varieties of neural network, and can promote the development of the neural network and related subjects. On the other hand, the project can give a novel dynamic prediction method for time series, which can overcome the shortcomings of static modeling and prediction method. In addition, the wind speed prediction can promote the development and utilization of the wind power. Therefore, the project consists with the idea of new energy development and low carbon economy.

本课题利用迟滞混沌算子单元，构造一种同时具有迟滞和混沌两种非线性特性的神经网络，通过深入研究网络的动力学特性，采用充分利用网络非线性特性的方式，挖掘网络的信息处理能力，并应用于风速时间序列的短期预测研究中。针对实际被预测系统的复杂性，从机理上区别于现有的静态建模预测方法，实现一种动态建模预测方法。即通过不断改变网络各单元的动力学特性来调节网络的动力学行为，使网络的动力学特性逐渐逼近被预测系统的动力学特性，并保持与之一致变化。利用迟滞特性提高网络对有用信息的利用率，以此增强网络的记忆能力，从而提高网络的泛化能力，达到提高网络预测精度的目的。该课题的研究一方面丰富现有神经网络的种类，从理论上促进神经网络及相关学科的发展；另一方面提供一种时间序列预测的新思想，从实现机理上克服静态建模与预测的缺点。另外，本课题对风速的预测研究将为风能的开发和利用起到积极的促进作用，符合新能源与低碳理念的要求。

风电是世界各国重点发展的可再生能源技术之一，风速的随机性、间歇性、波动性等特点为风电并网造成巨大冲击，成为风电发展的瓶颈问题之一。由于风速具有可预测性，因此，风速预测成为解决该问题的有效途径之一。但由于风速具有复杂的非线性特性，传统预测方法的可靠性不高。因此本项目将迟滞、混沌特性引入到神经网络中，构建复合特性的网络模型，利用所结合的非线性特性改善网络的预测性能。. 本项目通过引入迟滞激励函数的方式将迟滞特性引入到神经网络中，通过构建混沌算子单元和引入反馈机制两种方式将混沌特性引入到神经网络中，并构建出迟滞混沌神经网络。采用滤波跟踪误差控制方法对确定性迟滞混沌神经元/网络进行动力学特性控制研究，采用滑模控制方法对具有不确定性的迟滞混沌神经元/网络进行动力学特性控制研究，采用模糊滑模控制方法抑制了滑模控制中的抖振问题。采用上述控制方法，在不破坏迟滞混沌神经网络结构的情况下，可实现优化计算问题的求解，给出了利用迟滞混沌神经网络求解工程问题的新方法。. 结合梯度学习算法、遗传算法等方法研究了所构建网络的训练问题，通过调节网络的控制参数，改变网络的动力学特性，使其逐渐逼近被预测序列的动力学特性，从而实现风速序列的动态预测。. 为了便于风速数据的监测与采集，设计了基于ZigBee协议的风速在线监测无线传感器网络。对风电场采集到的实测风速序列开展预测研究。采用迟滞混沌神经网络开展了风速序列的短期预测研究。对被预测风速序列的混沌、分形等特性进行了研究，提出了基于混沌理论、分形插值理论的风速序列预测方法。对各种预测方法的适用性进行了分析，指出了不同预测机理的预测方法所适用的风速序列特点。将多种预测方法进行有机结合，实现了风速序列的混合预测，利用卡尔曼滤波方法将多种预测方法进行融合，克服了单一预测方法误差累积的问题，提高了预测结果的可靠性。. 另外，在原计划研究内容的基础上，将研究结果扩展到联想记忆、保密通讯等应用领域中，并对网络硬件化实现进行了初步探索。. 项目完成了预定的研究计划内容，取得了预期的研究成果。研究内容丰富了神经网络的种类，结合非线性控制理论提出了网络动力学特性控制和应用的新方法，提高了风速序列短期预测的可靠性，拓展了迟滞混沌神经网络的应用领域。为后续有关复合特性神经网络的理论及应用研究提供了必要的理论支持和参考。